[发明专利]基于支撑向量机的故障分类模型的训练方法及装置

权利要求书

1.一种基于支撑向量机的故障分类模型的训练方法，其特征在于，所述方法包括：

采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；

基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的支撑向量机SVM故障分类模型，所述训练参数包括一组惩罚系数C和核宽度g；

根据所述测试样本数据，对所述第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，所述适应度是根据所述测试样本数据的测试值与相应真实值确定的；

将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。

2.如权利要求1所述的方法，其特征在于，基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，包括：

设置第一数量的迭代次数；

在每一次迭代中，根据预设SVM算法和当前训练参数，对所述训练样本数据进行一次迭代训练，得到当前代的SVM故障分类模型；所述当前训练参数为采用所述预设多重宇宙优化算法从所述第二数量的训练参数中选择的训练参数。

3.如权利要求2所述的方法，其特征在于，将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型，包括：

若所述当前代的SVM故障分类模型的适应度小于前一代的SVM故障分类模型的适应度，则将所述当前代的SVM故障分类模型确定为目标SVM故障分类模型；

若所述当前代为第一数量次迭代，则将所述目标SVM故障分类模型确定为最优SVM故障分类模型。

4.如权利要求1所述的方法，其特征在于，得到测试样本数据和训练样本数据之前，所述方法还包括：

将采集的样本数据与预设正常数据进行比较；

若所述样本数据不小于所述预设正常数据，则将所述样本数据标记为正常样本数据；

若所述样本数据小于所述预设正常数据，则将所述样本数据标记为故障样本数据。

5.一种基于支撑向量机的故障分类模型的训练装置，其特征在于，所述装置包括：分类单元、训练单元、获取单元和确定单元；

所述分类单元，用于采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；

所述训练单元，用于基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，所述训练参数包括一组惩罚系数C和核宽度g；

所述获取单元，用于根据所述测试样本数据，对所述第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，所述适应度是根据所述测试样本数据的测试值与相应真实值确定的；

所述确定单元，用于将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。

6.如权利要求5所述的装置，其特征在于，所述训练单元，具体用于

设置第一数量的迭代次数；

在每一次迭代中，根据预设SVM算法和当前训练参数，对所述训练样本数据进行一次迭代训练，得到当前代的SVM故障分类模型；所述当前训练参数为采用所述预设多重宇宙优化算法从所述第二数量的训练参数中选择的训练参数。

7.如权利要求6所述的装置，其特征在于，所述确定单元，具体用于若所述当前代的SVM故障分类模型的适应度小于前一代的SVM故障分类模型的适应度，则将所述当前代的SVM故障分类模型确定为目标SVM故障分类模型；

若所述当前代为第一数量次迭代，则将所述目标SVM故障分类模型确定为最优SVM故障分类模型。

8.如权利要求5所述的装置，其特征在于，所述分类单元，还用于将采集的样本数据与预设正常数据进行比较；

若所述样本数据不小于所述预设正常数据，则将所述样本数据标记为正常样本数据；

若所述样本数据小于所述预设正常数据，则将所述样本数据标记为故障样本数据。